Beyond Kinematics: Benchmarking Simulation Fidelity for Muscle-Driven Imitation Learning

📄 arXiv: 2609.21909v1 📥 PDF

作者: Ayah G. Ahmad, Claire E. Borden, Maegan Tucker

分类: cs.LG, cs.RO

发布日期: 2026-09-18

备注: 8 pages, 5 figures, 2 tables, submitted to ICRA 2027

💡 一句话要点

比较两种运动模仿强化学习管道以提升生理现实性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 运动模仿 强化学习 生理建模 机器人技术 肌肉激活 运动捕捉 肌电图

📋 核心要点

  1. 现有的运动模仿强化学习方法在捕捉神经肌肉行为方面存在不足，影响了机器人辅助设备的设计与控制。
  2. 本研究通过比较HyFyDy和MuJoCo两种管道，提出了基于共同人类运动捕捉和EMG测量的系统比较方法。
  3. 实验结果表明，HyFyDy在肌肉激活与实验数据的对齐程度上优于MuJoCo，显示出更高的生理现实性。

📝 摘要（中文）

本研究系统比较了两种最先进的运动模仿强化学习（MIRL）管道：SCONE/HyFyDy和MuJoCo/MyoSim。HyFyDy注重生理现实性，通过详细的肌腱建模，而MuJoCo则优先考虑计算效率和可扩展的策略学习。尽管两者在重现人体运动学方面表现出高保真度，但尚不清楚它们是否准确捕捉了产生运动的神经肌肉行为。通过使用共同的人体运动捕捉和肌电图（EMG）测量进行比较，结果显示HyFyDy的肌肉激活与实验EMG更为一致。虽然HyFyDy在肌肉骨骼建模方面更为适用，但两者仍需进一步发展以提升生理现实性并推动机器人辅助设备设计。

🔬 方法详解

问题定义：本研究旨在解决现有运动模仿强化学习管道在捕捉神经肌肉行为方面的不足，尤其是在机器人辅助设备设计中的应用痛点。

核心思路：通过系统比较HyFyDy和MuJoCo两种管道，利用共同的人类运动捕捉和EMG数据，评估其在生理现实性上的表现。

技术框架：研究首先收集人类运动捕捉和EMG数据，然后分别在HyFyDy和MuJoCo上进行运动模仿训练，最后对比两者的肌肉激活模式和运动学表现。

关键创新：HyFyDy在生理建模上更为先进，能够更准确地模拟肌肉激活，与实验数据的对齐程度显著高于MuJoCo。

关键设计：在实验中，使用了均方根误差（RMSE）和相关系数（r）作为评估指标，HyFyDy的肌肉激活RMSE为0.164，相关系数为0.4，而MuJoCo的RMSE为0.344，相关系数为0.11。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，HyFyDy在肌肉激活的均方根误差（RMSE）为0.164，相关系数为0.4，明显优于MuJoCo的RMSE 0.344和相关系数0.11。这表明HyFyDy在捕捉生理行为方面具有更高的准确性。

🎯 应用场景

该研究的潜在应用领域包括机器人辅助设备的设计与控制，尤其是在需要精确模拟人类运动和肌肉行为的场景中。通过提升生理现实性，未来的机器人系统能够更好地适应人类的运动需求，提高辅助效果。

📄 摘要（原文）

In this work, we conduct a systematic comparison of two state-of-the-art motion-imitation reinforcement learning (MIRL) pipelines, one built on SCONE/HyFyDy and one built on MuJoCo/MyoSim. HyFyDy emphasizes physiological realism through detailed musculotendon modeling, while MuJoCo prioritizes computational efficiency and scalable policy learning. While recent work has demonstrated that both pipelines reproduce human kinematics with high fidelity, it remains unclear if they accurately capture the underlying neuromuscular behavior that produced the movement. This limitation is particularly important for robotic assistive-device design and control, where outcome measures such as muscle activation patterns and metabolic cost are often used as optimization targets. To conduct a systematic comparison, our work compares both pipelines using a common set of human motion-capture and electromyography (EMG) measurements. The results find that while both pipelines produce similar kinematics with relative accuracy, the muscle activations from HyFyDy are more aligned with the experimental EMG, as supported by the average pooled (RMSE, r) values for muscle activations from HyFyDy and MuJoCo: (0.164, 0.4) and (0.344, 0.11), respectively. While we conclude that the more advanced physiological realism of HyFyDy currently makes it more suitable for musculoskeletal modeling, both require further development to bring physiological realism to GPU-parallelizable simulation environments and advance robotic assistive device design.